具有低秩多行列式更新的神经网络回流
Neural Network Backflow with Low-Rank Multi-Determinant Updates
浏览论文内容
中文总结 AI 辅助
提出一种结合深度学习的神经网络回流变分框架，通过低秩多行列式更新捕获非局域关联，在半填充和1/8掺杂的二维哈伯德模型中达到高精度并捕获条纹相。
中文摘要 AI 辅助
模拟强关联费米子由于希尔伯特空间的指数复杂性和多体波函数复杂的符号结构，仍然是一个长期存在的挑战。我们引入了一个以神经网络回流变换为核心的变分框架，将深度学习与变分蒙特卡洛相结合。所提出的拟设采用具有低秩位移的多行列式展开，以捕获非局域关联和复杂的符号结构。将该方法应用于半填充和1/8掺杂的二维哈伯德模型，在半填充时，该方法获得的能量在辅助场量子蒙特卡洛结果的0.45%以内，并在1/8掺杂时捕获了相互交织的电荷和自旋密度条纹图案。这些结果表明，该框架作为强关联费米子体系变分模拟的一种可扩展且可解释的方法具有潜力。
英文摘要
Simulating strongly correlated fermions remains a long-standing challenge due to the exponential complexity of the Hilbert space and the intricate sign structure of many-body wavefunctions. We introduce a variational framework centered on a neural network backflow transformation that combines deep learning with variational Monte Carlo. The proposed ansatz employs a multi-determinant expansion with low-rank shifts to capture non-local correlations and complex sign structures. Applied to the two-dimensional Hubbard model at both half-filling and $1/8$ doping, the method achieves energies within $0.45\%$ of auxiliary-field quantum Monte Carlo at half-filling and captures intertwined charge- and spin-density stripe patterns at $1/8$ doping. These results demonstrate the potential of this framework as a scalable and interpretable approach to variational simulations of strongly correlated fermionic systems.
发表机构
- Yale University（耶鲁大学）
- Energy Sciences Institute, Yale University（耶鲁大学能源科学研究所）
- Department of Applied Physics, Yale University（耶鲁大学应用物理系）
- Department of Physics, Yale University（耶鲁大学物理系）
机构由 AI 辅助整理，请以论文原文为准。
